跳到主要内容

稠密向量

稠密向量是一种数值化的数据表示方法，在机器学习和数据分析领域广泛使用。它是由一系列实数组成的数组，其特点是大多数或所有元素都是非零值。与稀疏向量相比，稠密向量在同等维度下包含更多的信息，因为每个维度都携带有意义的数值。这种表示方法能够有效地捕捉复杂的模式和关系，使得数据在高维空间中更容易被分析和处理。稠密向量通常具有固定的维度，可以是几十到几百，甚至几千维，具体取决于应用场景和需求。

稠密向量主要用于需要理解数据语义的场景，如语义搜索、推荐系统等。在语义搜索中，稠密向量可以帮助捕捉查询和文档之间的潜在关联，从而提高搜索结果的相关性。在推荐系统中，它们能够帮助识别用户与物品之间的相似性，提供更加个性化的推荐。

概述​

稠密向量通常表示为一个固定长度的浮点数数组，例如 [0.2, 0.7, 0.1, 0.8, 0.3, ..., 0.5]。这种向量的维度通常在数百到数千之间，如 128、256、768 或 1024。每个维度都捕捉了对象的特定语义特征，使其能够通过相似度计算来应用于各种场景。

WTuVwLoP6hUZgGbTOBRcrfNWnif

上图展示了稠密向量在二维空间中的表示。尽管实际应用中的稠密向量通常有更高的维度，但这个二维图能够直观地展示几个关键概念：

  • 多维表示：每个点代表一个概念对象（如 Milvus、向量数据库、检索系统等），其位置由各个维度的值决定。

  • 语义关系：点之间的距离反映了概念之间的语义相似度。距离越近，表示概念在语义上越相关。

  • 聚类效应：相关概念（如 Milvus、向量数据库和检索系统）在空间中的位置较为接近，形成一个语义聚类。

以下是一个表示 "Milvus 是一个高效的向量数据库" 文本语义的真实稠密向量示例：

[
    -0.013052909,
    0.020387933,
    -0.007869,
    -0.11111383,
    -0.030188112,
    -0.0053388323,
    0.0010654867,
    0.072027855,
    // ... 更多维度
]

稠密向量可以通过各种 Embedding 模型生成，例如针对图像的 CNN 模型（如 ResNet、VGG）和针对文本的语言模型（如 BERT、Word2Vec）。这些模型将原始数据转换为高维空间中的点，捕获数据的语义特征。此外，Milvus 提供了一些便捷的方法来帮助用户生成和处理稠密向量，具体可以参考 Embeddings。

数据在向量化后，可以存储在 Zilliz Cloud 中进行管理和向量检索。下图展示了基本流程。

VVYrwUkGxhvwyAbhaiLcT8q4nze

📘说明

除了稠密向量，Zilliz Cloud 还支持稀疏向量和 Binary 向量。稀疏向量适用于基于特定词语的精准匹配，如关键词检索、术语匹配等；而 Binary 向量则常用于高效处理二值化数据，如图像模式匹配和某些哈希编码的应用场合。有关更多信息，请参考 Binary 向量 和 稀疏向量。

使用稠密向量​

添加稠密向量字段​

要在 Zilliz Cloud 中使用稠密向量，首先需要在创建 Collection 时定义用于存储稠密向量的向量字段。这个过程包括：

  1. 设置 datatype 为支持的稠密向量数据类型。Zilliz Cloud 支持的稠密向量数据类型请参考数据类型。

  2. 通过 dim 参数指定稠密向量的维度。

以下示例中，我们添加了一个名为 dense_vector 的向量字段，用于存储稠密向量。该字段的数据类型为 FLOAT_VECTOR，向量维度为 4。

from pymilvus import MilvusClient, DataType

client = MilvusClient(uri="YOUR_CLUSTER_ENDPOINT")

schema = client.create_schema(
    auto_id=True,
    enable_dynamic_fields=True,
)

schema.add_field(field_name="pk", datatype=DataType.VARCHAR, is_primary=True, max_length=100)
schema.add_field(field_name="dense_vector", datatype=DataType.FLOAT_VECTOR, dim=4)

支持的稠密向量数据类型：

数据类型

描述

FLOAT_VECTOR

存储 32 位浮点数，常用于科学计算和机器学习中表示实数。适用于对精度要求较高的一般场景，如需要准确区分相似向量时。

FLOAT16_VECTOR

存储 16 位半精度浮点数，用于深度学习和 GPU 计算。在对精度要求不高的情况下，可以节省存储空间，如推荐系统中的低精度召回阶段。

BFLOAT16_VECTOR

存储 16 位 Brain 半精度浮点数 (bfloat16)，具有与 Float32 相同的指数范围但精度降低。特别适合于需要快速处理大量向量的场景，如大规模图像检索。

为稠密向量设置索引参数​

为加速语义搜索，我们需要为向量字段创建索引。索引可以显著提高大规模向量数据的检索效率。

index_params = client.prepare_index_params()

index_params.add_index(
    field_name="dense_vector",
    index_name="dense_vector_index",
    index_type="AUTOINDEX",
    metric_type="IP"
)

以上示例中，我们为 dense_vector 字段创建了一个名为 dense_vector_index 的索引，索引类型为 AUTOINDEX。 metric_type 设置为 IP，表示使用内积 (Inner Product) 作为距离度量。

除了 IP 距离度量，Zilliz Cloud 还支持其他度量类型。具体请参考相似度类型。

创建 Collection​

稠密向量和索引定义完成后，我们便可以创建包含稠密向量的 Collection。以下示例通过 create_collection 方法创建了一个名为 my_dense_collection 的 Collection。

client.create_collection(
    collection_name="my_dense_collection",
    schema=schema,
    index_params=index_params
)

插入稠密向量​

创建 Collection 后，我们可以通过 insert 方法插入包含稠密向量的数据。注意，插入的稠密向量的维度必须与添加稠密向量字段时定义的 dim 值相同。

data = [
    {"dense_vector": [0.1, 0.2, 0.3, 0.7]},
    {"dense_vector": [0.2, 0.3, 0.4, 0.8]},
]

client.insert(
    collection_name="my_dense_collection",
    data=data
)

基于稠密向量的语义搜索是 Milvus 的核心功能之一，可以根据向量之间的距离快速找到与查询向量最相似的数据。要执行相似性搜索，您需要准备查询向量和搜索参数，然后调用 search 方法。

search_params = {
    "params": {"nprobe": 10}
}

query_vector = [0.1, 0.2, 0.3, 0.7]

res = client.search(
    collection_name="my_dense_collection",
    data=[query_vector],
    anns_field="dense_vector",
    search_params=search_params,
    limit=5,
    output_fields=["pk"]
)

print(res)

# Output
# data: ["[{'id': '453718927992172271', 'distance': 0.7599999904632568, 'entity': {'pk': '453718927992172271'}}, {'id': '453718927992172270', 'distance': 0.6299999952316284, 'entity': {'pk': '453718927992172270'}}]"]

有关更多相似性搜索参数信息，请参考基本 ANN Search。